文摘
传统的IPv6路由算法具有网络拥塞等问题,过度的节点能量消耗,缩短了网络的生命周期。针对这一现象,我们提出了一个基于遗传蚁群IPv6的路由优化算法的环境。算法分析和研究系统的遗传算法和蚁群算法。我们用神经网络来建立初始模型,并结合QoS路由的约束。我们有效整合的遗传算法和蚁群算法最大化各自优势,将它们应用到IPv6网络。与此同时,为了避免积累很多的蚁群算法信息素的后期网络,我们引入了一种anticongestion奖励和惩罚机制。通过比较最优路径的搜索路径,奖励和惩罚是基于网络路径是否顺利。最后,判断结果是否满足条件,获得的最优解是通过BP神经网络进行训练;否则,需要反复迭代,直到满足最优解决方案。实验结果表明,该算法可以有效地适应IPv6路由需求并能切实有效地解决用户的网络服务质量的需求,网络性能和其他方面。
1。介绍
互联网的迅速发展和网络用户的不断增加,用户的网络服务质量和网络性能的要求也在增加。在下一代的IPv6网络,路由问题将成为一个热点问题在网络通信领域的1- - - - - -4]。在IPv6网络环境中,用户有更高的要求,网络安全,网络的服务质量(QoS),等等。这要求路由算法在IPv6协议运行环境有更好的安全性、可靠性、和更高的性能。IPv6网络中使用的路由协议主要是基于距离矢量路由协议和路由协议基于链路状态(5,6]。这两种类型的协议需要定期交换信息保持正确的路由表或图网络的网络拓扑结构。然而,传统的IPv6路由协议用于资源受限的物联网感知层网络。交换节点从静止状态到活动状态将导致拓扑变化频繁,导致控制信息占据大量的无线信道资源,增加数量的节点的能量消耗,并缩短网络的生命周期。同时,网络中的数据流量持续增加,路由器处理和计算强度也相应增加,这将导致一些节点路由器在网络处于高负荷状态。一旦网络流量不断增加,它最终将导致网络拥塞,导致路由器扔大量的数据包,从而降低网络的服务性能,甚至导致网络崩溃。
鉴于上述问题,下一代IPv6网络协议进行了分析和研究。我们有系统地分析和研究了遗传算法和蚁群算法的原则(7- - - - - -10]。并在此基础上改进和优化,我们使用神经网络来构建初始模型,结合QoS路由的约束11- - - - - -14]。我们提出一个遗传蚁群路由优化选择算法在IPv6环境。路由算法不仅可以综合使用QoS路由的约束来解决最优路线,还系统地分析了遗传算法和蚁群算法,有效地集成和各自优势最大化,并选择最好的路线IPv6网络。与此同时,为了避免蚁群算法的信息素的积累很多后期的网络,它往往选择与更多的信息素,并介绍了一个anticongestion奖励和惩罚机制,比较了搜索路径的最优路径。当搜索时间太长,超过了新的阈值搜索节点λ,它被视为节点拥塞的发生。当搜索路径搜索算法相对顺利,我们会奖励它。然后,判断结果是否满足条件,获得的最优解是通过BP神经网络进行训练;否则,需要反复迭代,直到满足最优解决方案。加快算法的搜索速度,同时减少不必要的搜索,因此该算法仍能保持高的优化能力即使是在一个环境中,有一个“死亡之路”的链接。
2。神经网络
我们建立的BP神经网络来完成分类任务簇头节点和普通节点功能。BP神经网络是一种多层前馈网络训练误差传播。神经网络由两部分组成:信息正向传播和误差的反向传播(15- - - - - -17]。大量的神经元节点分布式神经网络,和每个神经元连接权值和阈值,形成一个三层神经网络结构。它包括一个输入层、隐藏层和输出层。BP神经网络可以逼近任意非线性映射关系,具有良好的分类能力。它可以完成基于无线传感器节点的特征分类。图1是一个三层神经网络模型。
神经网络采用非线性映射并行管理机制,具有高度的自学习能力,良好的泛化能力,可以快速逼近任意非线性映射。然而,BP神经网络也有一定的缺点;即BP神经网络需要大量样本训练数据来确定初始权重和阈值参数,从而导致BP神经网络的学习速度慢,容易陷入局部最小值。因此,本文采用BP神经网络初始化系统,并确定BP神经网络拓扑结构的无线传感器网络拓扑获取初始种群。通过遗传蚁群算法最优路径生成,生成一个新的人口,此时判断形势是否需要反复迭代。如果条件得到满足,获得最佳的解决方案是通过BP神经网络进行训练;否则,需要反复迭代,直到满足最优解决方案。
3所示。遗传算法和蚁群算法的分析
通过这两个算法的研究,发现在不同的阶段,他们有自己的搜索优势(18- - - - - -20.]。早期的搜索算法,遗传算法明显优于蚁群算法。在蚁群算法由于缺少信息素在早期阶段,搜索需要很多的时间来积累信息素和选择最佳的路径。蚁群算法一直维持在一个相对较低的搜索速度在早期阶段。蚁群算法的正反馈机制和强大的全局收敛性函数的后期,算法具有良好的后期搜索效率。遗传算法具有更好的全局搜索能力,因此,其搜索速度维持在一个相对快速状态的早期阶段算法。然而,在以后的阶段,该算法缺乏反馈信息的处理机制,导致大量的不必要的冗余迭代,这样可以减少后期算法的搜索速度。
下面是城市的坐标图,并通过观察路径选择的遗传算法和蚁群算法在相同的环境下,数字2是相对应的初始种群的城市。数据3和4是最优遗传算法和蚁群算法的路径图。
通过观察数据5和6,我们可以看到更多的迭代,计算路径长度越短的系统。当迭代次数达到一定数量时,最优路径的两个基本不变。遗传算法的进化机制是基于个人竞争,和蚁群算法的搜索机制是一群蚂蚁之间的信息传导机制下的合作。我们可以结合减少参数的调整,避免大量盲目的迭代,产生种群遗传算法和蚂蚁算法的速度加快避免局部相位的精确解。
算法首先使用遗传算子来执行一个全球快速搜索,然后将获得的全球搜索信息转化为蚁群算法的初始信息素值并使用蚁群算子完成路径选择。
4所示。该算法
4.1。遗传算子:全球快速搜索
对于一个优化问题,一定数量的候选解决方案(称为个人)可以抽象地表示为染色体,这样可以更好的解决方案(21]。在每一代中,整个人口的健康评估,多个个体随机选择从当前人口(基于他们的健康)。我们生成一个新的生命人口通过自然选择和突变,将成为当前的人口在未来的迭代算法。
通过观察数据7- - - - - -9,我们可以看到,有无数的“山”的多维表面,这些峰值对应于局部最优解。和将会有一个“山”最高的高度,这是全局最优的解决方案。遗传算法的任务是尽可能多地爬到最高峰。
本文采用树编码方法;即树是由染色体从源节点到目标节点,并直接作用于每日染色体遗传算法。
一般QoS路由问题包括多个约束条件,如延误成本、带宽、时延抖动、丢包率(22]。如果你考虑所有因素在设计一个特定的路由算法,在结合实际情况简化它。QoS路由主要考虑三种约束的延迟,带宽,和成本(23- - - - - -25]。
时间延迟如下:
延迟在链接 。 延迟在节点n。
带宽如下:
带宽保留在链接 。
成本如下:
成本的链接 。 成本节点 。
以下4.4.1。选择
本文采用精英保留策略建立一个精英数据库(26]。精英池中的个人保留,直接传给下一代,以促进新一代的选择。
延迟约束如下: 。
带宽约束如下: 。
成本:在满足上述两个条件的路径, 是最小的。
其中,延迟约束和吗是带宽约束。
根据遗传机制的精英保留策略,本文定义了适应度函数公式如下:
,在哪里是罚函数,刑罚的价值在哪里决定了点球 。
根据的大小选择继承 - - - - - -价值。解决方案与大健身更有可能选择和遗传给下一代,而与小健身解决方案将会消除代代相传。QoS路由选择节点时满足以下约束。
4.1.2。交叉和变异
交叉算子。本文使用单点交叉方法。即两条染色体选择常见的节点作为交叉点,实现这个函数通过交换链接,但如果有多个共同节点,第一个共同的节点被选中执行交叉功能。
变异算子。一个节点(源节点和目标节点除外)是随机选择从染色体突变点,和突变点后的节点是随机选择的节点直接连接到目标节点。我们使用正态分布突变。一个正态分布的均值为零和一个预先确定的标准偏差用于生成随机数,如图10:
4.2。的最佳时间合并
结束条件的遗传算法如下:法官的最佳融合遗传算法和蚁群算法的时间。
本文定义了遗传算法的控制功能: 。其中,平均价值的成本获得后吗遗传算法的迭代1 <米<遗传算法的迭代次数,通过动态控制融合时机的遗传算法和蚁群算法的变化价值。
这时,解决方案获得的遗传算法的初始值转化为蚁群算法的信息素。 ,在哪里 是预定的信息素常数的环境。当遗传算法成功地转移到蚁群算法,遗传算法得到的最优解集可以通过设置公式: 。我们用它来转换信息素。是一个常数,通过叠加在最优路径信息素的节点和节点发现,最后一个新的吗 是获得。
4.3。蚁群算子的精确解
根据遗传算法,蚁群算法过早停滞的提高(27- - - - - -29日]。信息素的初始值设定的全球搜索信息 通过遗传算法,蚁群操作符开始解决任务调度准确。
信息素的初始化。信息素的公式如下: 。
遗传算法优化后的信息素浓度,信息素是常数。
首先,选择一个起始节点,所有的蚂蚁都放置在起点,和所有路径信息素相同内容。蚂蚁选择下一个移动节点根据每条路径上的信息素分布的大小。然后,的概率吗 - - - - - -th蚂蚁从节点到节点在时间 ,和它的计算公式如下:
是信息的启发式因子,是希望启发式因子,是下一个可选择的节点。这意味着ant从当前节点移动到下一组所有可能的节点。根据上面的内容,是一个信息素启发式因子,代表的路径上信息素的存在。更多的信息素就意味着有更多的蚂蚁经过的道路,反之亦然。是期望启发式因子,它代表了蚂蚁的重要性的考虑在选择节点的路径。值越大,移动这一点的可能性就越大。启发式函数计算方法如下:
从公式可以看出(6)启发式函数和 是成反比的蚂蚁。链接的成本越大,启发式函数的值越小。当所有蚂蚁完成一次循环,链接路径上的信息素浓度需要更新,更新记录当前遍历的节点的最优解集ant 。
第一个是信息素的挥发,第二个是由蚂蚁信息素的释放他们通过。信息素挥发系数, ,,计算公式如下:
表示为路径上信息素的浓度剩余 由 - - - - - -th蚂蚁在 - - - - - -迭代循环。
在这里,蚂蚁走后每周用于释放信息素。具体来说,信息素释放毕竟蚂蚁走了一圈,以免蚂蚁在前面直接影响后面的蚂蚁。
信息素释放公式如下:
问是一个常数(设置为1) 的总成本是选择的链接吗蚂蚁。
4.4。拥塞避免机制
在搜索算法的后期,因为遗传算法已经积聚了大量的蚁群算法的信息素,算法的搜索路径已基本确定。蚁群算法,蚁群的路径的选择往往是更多的信息素,从而导致更多的蚂蚁的积累的最佳路径。原来的信息素挥发太迟了。在这个时候,新的信息素积累,最终超过节点的负载能力,造成道路拥堵。
通过引入一个新的阈值在搜索过程中,当搜索节点,与最优路径搜索路径。当搜索时间太长,超过了新的阈值搜索节点 ,它被视为节点拥塞的发生。
变异操作是进行蚁群,一组正态分布方差与节点执行变异操作在某些基因与小概率,并产生新的个体的表达式如下: 在哪里是下一个蚁群的路径节点。
选择适应度函数来计算个人的健康。本文选择学习样本的最小均方误差作为适应度函数。公式如下:
它判断它是否符合当前最优解的要求,并作为下一个路径节点;否则,路径信息素更新。在这一点上,它表明有一个更优的解决方案。信息素释放公式在蚂蚁的节点选择概率计算公式重新定义,公式如下:
分配给其路径的信息素值是根据不同的情况。搜索路径的节点,是奖励和惩罚系数节点拥塞。节点拥塞发生时在搜索算法,它将受到惩罚,这样其他的蚂蚁会降低道路的使用,促使蚂蚁选择满足QoS需求节点附近的路径,从而减轻了加载路径的压力。当搜索路径搜索算法的相对平静,奖励,加快算法的搜索速度,减少不必要的搜索,提高算法的搜索效率。同时,这使得算法可以保持高甚至优化能力的环境中,有一个“死亡之路”的链接。
4.5。迭代终止条件
我们通过BP神经网络生成的最优解,判断形势需要反复迭代。如果条件得到满足,最佳的解决方案是通过BP神经网络进行训练;否则,它需要重复迭代,直到满足最优解决方案。
输出错误是由预测输出和实际的输出 。公式如下:
阈值和重量根据更新错误 。
其中,代表之间的重量 - - - - - -th神经网络的输入层神经元和 - - - - - -在隐藏层神经元,输入节点的数量,输出节点的数量,的值是神经网络的输入层。
其中,代表之间的权重隐层神经元的神经网络 - - - - - -输出层神经元和隐层的输出。
当输出错误通过BP神经网络处理达到预设的理想值,该算法终止。
5。模拟
为了测试本文算法的有效性,本文使用MATLAB 2015 b编程模拟,采用随机生成方法,网络拓扑结构和建立网络拓扑图符合约束的QoS路由数据所示11和12。生成一个初始人口规模的25;25,一个模拟网络与网络节点生成,其中four-tuple组成的每个节点的度量是延迟成本、带宽、时延抖动、丢包率。four-tuple由每个链接的度量指标是延迟成本、带宽、时延抖动、丢包率。假设源节点1和节点目标节点节点25。
为了验证算法的性能,我们比较延迟系统的分析本文算法得到的数据与文献算法(30.)和传统算法,分析各个算法的性能。每个算法测量的数据是在同样的环境,和一个平均值记录每100次。测量数据在图所示13。
通过观察图13,可以看出,本文算法的延迟时间是最低的时间点和整体延迟时间维持在约0.2年代相同的环境下,稳定性好。随着时间的增加,传统算法的延迟时间也越来越长。在这个低延迟时间的情况下,我们记录系统的能量平衡,数据如图14。
通过观察图14,我们可以看到在不同的仿真时间条件下,节点之间的能量平衡变化算法本文算法在文献中,传统的算法。本文算法采用anticongestion奖励和惩罚机制,我们可以看到,与其他两种算法相比,它维护一个更好的选择机制在不同的时间节点,不会使系统使用较小的剩余能量的节点作为簇头节点,以避免剩余的节点之间的能量不平衡。
通过观察图15,我们可以看到,在整个系统的成本数据,系统使用本文算法系统成本是最低的。的节点数量达到70后,开始系统成本保持在一个稳定的数量,而传统算法和文献算法仍有上升趋势。观察图16,我们可以看到,使用本文算法的收敛系统保持在一个短的时间。随着节点数的增加,三种算法的收敛时间曲线保持增长趋势但本文算法的收敛趋势是最低的。
6。结论
在应对现有的IPv6路由需求,我们提出一个遗传蚁群路由优化算法在IPv6环境。我们使用神经网络,有效整合遗传算法和蚁群算法通过约束网络的QoS。这给了充分发挥各自的优势。anticongestion奖励和惩罚机制提出的算法可以解决网络拥塞问题,同时提高算法的搜索效率。最后,输出错误是用来判断是否达到最好的效果,迭代结束后,输出最优解。实验表明,该算法能有效地延长网络的生命周期,避免节点剩余能量的不平衡系统。与其他传统算法相比,该算法可以适应IPv6路由需求,可以有效地调用系统资源。
数据可用性
使用的数据来支持这项研究的结果得到了从相应的作者。
的利益冲突
作者宣称没有利益冲突有关的出版。
作者的贡献
作者同样导致了手稿。所有作者阅读和批准最终的手稿。
确认
这项研究得到了广东省普通高校的青年创新人才项目(2020 kqncx126)和创新项目特征的普通大学在广东省(2018 ktscx319)。